AI趨勢周報第210期：Google用Transformer模型即時導航機器人

重點新聞(0303～0309)

電腦視覺     Transformer     機器人導航  

Google用Transformer模型來即時導航機器人

Google最近揭露一款控制系統Performer-MPC，以Transformer架構為基礎，可用於機器人上，讓機器人成功在密閉空間中即時導航、避開人類和障礙物，延遲僅8毫秒。進一步來說，Performer-MPC是一款端到端可學習的機器人系統，包含了基於Python函式庫JAX的可微分模型預測控制器（MPC），以及負責導航任務的Transformer編碼，可用來適應複雜的社交場景，不需人工介入、撰寫規則。Performer-MPC系統還有個重要元素，也就是構成Performer架構的可擴展Transformer模型，它具備線性空間和時間複雜度注意力模組，可讓機器人部署更有效率，實現8毫秒延遲。

Google指出，儘管經過數十年研究，機器人還是難以在狹窄空間中安全移動，而近年，Transformer在不少真實世界的機器學習問題中已有大幅進展，比如多模態架構可讓機器人用Transformer語言模型，來進行高階規畫，且近期以Transformer對機器人進行策略編碼的研究，也開啟機器人於現實世界導航的新契機。雖然，Transformer這種大型模型部署在機器人上，會遭遇延遲挑戰，且注意力機制耗費運算成本，研究者不得不在模型表現和運算成本間取捨、對模型剪枝。

但Google還是開發Performer-MPC，來測試Transformer能否讓機器人在狹小空間中，順利導航和避障。Google選定一款配有3D光達鏡頭和深度感測器的輪式機器人，並部署830萬參數、延遲8毫秒的Performer-ReLU變形模型，來執行導航任務。他們發現，在這個配置下，機器人可在狹窄場景，比如轉角死角處等，成功避開行走的人類，也能在不同障礙物間找出最佳路徑，成功穿越。Google表示，這項實驗證明，用Transformer架構設計具注意力機制的機器人控制器，是可行的。而且，百萬參數的Transformer架構與毫秒級推論延遲，能讓機器人有效率學習、作出適當的反應，更重要的是，該學習系統還能泛化，適應不同環境。（詳全文）

  司法院     語音辨識     國民法官  

司法院法庭中文語音辨識系統正式上線，準確率超過9成

為讓法庭程序更順暢，司法院開發一款法庭中文語音辨識系統，來加速法庭筆錄作業。司法院表示，該系統用過去1千多萬筆裁判書、180萬筆開庭筆錄來訓練AI辨識系統，平均準確率達92%，且能辨識大多數法律專有名詞。

這個語音辨識系統可用於逐字稿作業，也整合了法院審判筆錄和數位錄音系統、錄影回放系統和影音環控系統，來簡化過去書記官需聽、理解再騰打逐字稿的過程。簡單來說，該系統可在開庭過程中，即時產出逐字稿筆錄，就算有問題，也能調閱特定錄影段落來確認；該系統已於1月正式上線。

司法院也指出，由於國民法官制度採連日連續進行制，審理程序一結束就得評議，行程緊湊，而語辨系統可即時產出筆錄、呈現法庭內發言內容，評議時也能搭配回放特定錄影段落，來加速評議過程。該系統已部署於全國21間地方法院的國民法官法庭，除國民法官適用的重大刑事案件外，司法院也打算讓一般刑事案件使用語辨系統，來產出即時筆錄。（詳全文）

  資料集    Google搜尋       Dataset Search  

Google搜尋再優化，新添資料集搜索引擎

Google推出一款新搜尋引擎Dataset Search，使用者輸入關鍵字，就能搜尋相關資料集，可用來訓練或測試AI模型。這款資料集搜尋引擎，可查找1萬3千多個網站中的4,500萬筆資料集，這些資料集涵蓋多種學科和主題，也包含政府、科學、商用等領域。Dataset Search會顯示資料集的基本資料，也會預覽資料集概況、給出不同頁面的連結，如GitHub、Kaggle等。

Dataset Search主要檢索網路上含schema.org結構化數據的資料集頁面，因為schema.org的詮釋數據，可讓作者用來描述資料集特性和關鍵元素，如下載格式、授權方式等。若使用者希望自己建立的資料集能被Dataset Search納入，首先要確保自己發布的資料集能容易搜尋，且要說明其他人可以如何使用該資料集。特別是要確保描述資料集的網頁，具有機器可讀的詮釋數據。（詳全文）

  Brave     生成式AI     搜尋摘要  

Brave搜尋引擎自建生成式AI，根據網頁結果摘要更即時

訴求高隱私安全的瀏覽器Brave也開發生成式AI系統Summarizer，來優化自家搜尋引擎，能總結搜尋結果，摘要旁也會列出資料來源，方便用戶查證。

Summarizer由Brave搜尋團隊開發，由三大語言模型組成，這些語言模型分別負責不同任務，首先是問答模型，會嘗試從文字片段中擷取具體答案，之後，Brave搜尋會利用一組零樣本分類器，過濾掉仇恨言論、粗鄙用詞和垃圾訊息等文字，最後交由摘要模型處理，來重寫並刪除重複的文字，保持語言一致性和可讀性。Summarizer給出的答案，完全基於網頁搜尋結果，因此能給出當日事件的結果，也不會產出未經證實的結論。（詳全文）

  Meta     生成式AI     WhatsApp  

Meta成立生成式AI開發團隊

Meta執行長Mark Zuckerberg日前宣布要成立生成式AI開發團隊，來發展文字、圖片、影像等強化技術，改善旗下WhatsApp、Instagram和Messenger等服務。Zuckerberg指出，這個新部門將聚焦生成式AI，短期目標是要開發創意性的表現工具，長期目標則是開發可多方協助使用者的「AI人物」。在微軟、Google和OpenAI等相繼發表AI對話機器人後，AI成為Meta最重要的任務，團隊最近也發布AI大型語言模型LLaMA，並預告要開源LLaMA模型，來供AI研究社群進行不同領域研究。（詳全文）

  Nvidia     串流影片     解析度  

Nvidia用AI強化串流影片解析度

Nvidia在GeForce RTX 40與30系列最新的GeForce Game Ready驅動程式中，加入影像超級解析度（VSR）功能支援，使用者只要用微軟Edge 110.0.1587.56或Google Chrome 110.0.5481.105以上版本的瀏覽器，就能將瀏覽器上低解析度的串流影片，提升到4K解析度。

Nvidia解釋，由於串流影片是以區塊為單位來壓縮，因此會發生塊狀壓縮失真，若用傳統畫質提升演算法，反而會讓塊狀壓縮失真更嚴重。因此，RTX VSR技術透過邊緣偵測和特徵銳化，來解決問題。這是一個深度學習方法，Nvidia先用不同壓縮程度的影片來訓練模型，模型了解低解析度影片的壓縮失真類型後，就能從輸入的低解析度影片影格，預測目標解析度的殘差圖像，再將殘差圖像疊加到經Bicubic解析度提升演算法處理的影格，來校正假影錯誤和銳化邊緣，來產出高解析度影像。（詳全文）

  IBM     大型主機     z/OS  

IBM大型主機作業系統z/OS將擁抱AI

IBM預計在2023年第三季推出大型主機作業系統更新z/OS 3.1，該版本的一大更新重點，是要在作業系統融合AI和資料分析解決方案，來讓z/OS應用也能有智慧自動化與大規模加速推理功能，在z/OS 3的混合雲架構中整合AI功能。

進一步來說，z/OS 3.1的工作量管理程式（WLM）將有AI加持，能預測即將發生的批次處理工作負載，還能採取相對應的系統最佳化措施。同時，新版本也會支援AI解決方案，讓企業用戶在z/OS上執行應用程式時，能獲得低延遲的AI功能。另一方面，IBM也希望z/OS能進一步支援企業混合雲策略，因此加入z/OS容器擴充（zCX），強化容器化Linux工作負載效能和安全性，還要強化程式語言COBOL和Java的互通性。（詳全文）

  微軟     Bing Chat     語氣  

微軟Bing Chat加入3種語氣風格

微軟快馬加鞭更新Bing聊天機器人，近日已在Bing Chat中加入三種語氣風格，來供使用者選擇。微軟在2月底時，就多次預告要開發語氣調整功能，來解決Bing Chat時而情緒化、時而放肆乖張的發言問題。

微軟網頁服務主管Mikhail Parakhin說明，Bing Chat測試用戶可看到Bing Chat模式選擇器，也就是一個3階段的滑鈕設計，提供「精準」、「創意」及「平衡」三種風格。其中，「精準」風格可提供更事實導向的答案，「創意」則會給出較長、類似聊天的答案，比較有趣，但也可能包含較多錯誤。（詳全文）

圖片來源／Google、Brave

  近期AI趨勢新聞 

1. OpenAI針對付費用戶推出ChatGPT API和Whisper API服務

2. 小米展示新AR眼鏡，具變色鏡片、支援手勢控制

資料來源：iThome整理，2023年3月